AlphaGenome：打开基因调控“黑箱”的新一代 AI 模型

1. 背景：基因调控难题与非编码“暗物质”

在人类 31 亿个 DNA“字母”中，只有约 2 % 直接编码蛋白质，其余 98 % 属于“非编码区”，却承担着调控基因何时、何地、以何种强度表达的关键角色。破解这些非编码序列的功能，被许多科学家称作“基因组学最根本、也最棘手的问题之一” (deepmind.google, nature.com)。

2. AlphaGenome 概述

2025 年 6 月 25 日，Google DeepMind 发布了 AI 模型 AlphaGenome。论文与博客由 Žiga Avsec、Natasha Latysheva 等人撰写，模型现已通过 API 面向非商业研究者预览开放 (deepmind.google, github.com)。AlphaGenome 能在一次输入中读取 最长 100 万个碱基 的 DNA 序列，并对数千项分子属性给出精准预测。

3. 技术框架：卷积 + Transformer 的协同

AlphaGenome 首先用卷积层捕捉短序列模式，再用 Transformer 跨越整段序列传递信息，最后通过多层解码器输出在不同组织、细胞类型中的调控特征。得益于 TPU 并行优化，完整模型仅用约 4 小时即可训练完成，计算量约为前代 Enformer 的一半 (deepmind.google)。

4. 三大创新

5. 基准测试成绩

在 24 项单序列预测基准中，AlphaGenome 有 22 项优于最佳外部模型；在 26 项变异效应预测中，有 24 项达到或超越现有最优水平，且是唯一能同时解决全部任务的通用模型 (deepmind.google)。

6. 典型应用：白血病突变机制复刻

DeepMind 团队利用 AlphaGenome 复现了 T-ALL（T 细胞急性淋巴细胞白血病）研究中发现的非编码突变机制：模型预测这些突变会在 TAL1 基因附近引入 MYB 结合位点，从而异常激活该致癌基因，验证了其跨模态整合能力 (deepmind.google)。

7. 局限性与改进方向

• 远距离调控：>100 kb 的超远程信号仍难以完全捕获。
• 细胞特异性：对某些细胞或组织的预测精度有待提升。
• 临床适用性：当前模型未针对整个人类基因组做个体级预测验证，不能直接用于诊断。
  DeepMind 表示正收集社区反馈以逐步改进 (deepmind.google)。

8. 与前代模型的关系

• Enformer：聚焦基因表达预测，受限于序列长度或分辨率。
• AlphaMissense：专注蛋白编码区变异致病性分类，仅覆盖 2 % 基因组。
  AlphaGenome 通过“一模型多任务”理念，将长序列、单碱基精度与多模态统一到同一框架，补足了非编码区功能解析的空白 (deepmind.google)。

9. 研究与产业潜力

10. 开放生态与社区

预览版 API 已上线 GitHub，并配套论坛供全球研究者讨论、共享用例。DeepMind 鼓励科研人员在自有数据上微调模型，挖掘更多物种、更多调控模式 (deepmind.google, github.com)。

面向非生物背景读者的简易比喻

• DNA = 一本厚书：26 个英文字母 → 4 个碱基字母（A/T/C/G）。
• 基因 = 章节：决定蛋白质的“正文”。
• 非编码区 = 目录 + 书签 + 批注：告诉“阅读器”何时翻到哪一页、如何高亮。
• AlphaGenome = 高级解码器：给它 100 万字符的文本，它能同时指出章节标题、页码、批注位置，还能模拟“如果改动一个字母，整篇文章语义如何变化”。

结语

AlphaGenome 将“长距离上下文”“单碱基精度”“多模态预测”三大难题首次合并到同一模型，一举刷新多项基准，为探索非编码“暗物质”提供了强力工具。随着社区共同迭代，它有望加速罕见病机理阐释、靶向治疗开发与合成生物设计，标志着从‘序列’到‘功能’的 AI 时代表率正迅速到来。